SMATE：面向多元时间序列的半监督时空表示学习
机器学习
2021-10-12 v2 人工智能
摘要
近年来，从多元时间序列（MTS）中学习受到了广泛关注。鉴于其复杂的维度和序列数据结构，标签短缺是MTS分类任务面临的一个真实挑战。与依赖基于距离的分类器的自训练和正未标记学习不同，本文提出SMATE，一种新颖的半监督模型，用于从弱标记的MTS中学习可解释的时空表示。我们在UEA MTS档案库的30个公共数据集上对所学习的表示进行了实证验证。我们将其与13种用于全监督任务的最先进基线方法和4种用于半监督任务的基线方法进行比较。结果表明了我们提出方法的可靠性和高效性。
引用
@article{arxiv.2110.00578,
title = {SMATE: Semi-Supervised Spatio-Temporal Representation Learning on Multivariate Time Series},
author = {Jingwei Zuo and Karine Zeitouni and Yehia Taher},
journal= {arXiv preprint arXiv:2110.00578},
year = {2021}
}
备注
Accepted by ICDM 2021